• 这是篇NIPS2023的 world model 论文
• 文章提出，WM的误差会在训练过程中积累从而影响policy的训练，向WM中加噪声可以改善这一点。
• 其他的流程和IRIS差不多，差别在以下几点：
  • image encoder，IRIS用的VQVAE, 本文用的是VAE，用VAE的采样方式来生成zt，从而为zt加噪声。
  • sequence model，IRIS用GPT循环输出image的每个token，本文直接用MLP把生成的 $z_t$ 和动作 $a_t$ 输出成一个token，这样GPT只需要在时序上循环而不需要在同一个 t 内的不同 token 上循环。换句话说，IRIS的一个图片是GPT中的16个token，而STORM的一个图片是GPT中的一个token。
  • hidden state，IRIS直接从 $z_{1:t}$ 预测 $z_{t+1}$，相当于RNN，而 STORM先从 $z_{1:t}$ 预测 $h_t$，也就是说上面的sequence model输出的不是 z ，而是hidden state h，再用一个MLP从 $h_t$来预测 $z_{t+1}$，这点是用了Dreamerv3的思路
  • loss function，用的也是dreamerv3的loss function
• 完整公式和损失函数如下：
  
  
  
  

Agent learning

• 强化学习的部分和dreamerv3一样，不过强调了下value函数用的是移动平均：